Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

I ricercatori sviluppano lo strumento di apprendimento automatico per predire la enterocolite necrotizzantesi in bambini prematuri

La enterocolite necrotizzantesi (NEC) è una malattia intestinale pericolosa della prematurità. Caratterizzato dalla morte intestinale improvvisa e progressiva del tessuto e di infiammazione, pregiudica annualmente fino a 11.000 bambini prematuri negli Stati Uniti e 15-30% dei bambini commoventi muore dal NEC. I superstiti affrontano spesso le complicazioni intestinali e neurodevelopmental a lungo termine.

I ricercatori da assistenza tecnica di Colombia e l'università di Pittsburgh hanno messo a punto un sistema di allarme sensibile e specifico per la predizione del NEC in bambini prematuri prima che la malattia accadesse. Il prototipo predice esattamente e presto il NEC, facendo uso delle funzionalità del microbiome delle feci combinate con informazioni cliniche e demografiche. Lo studio pilota è stato presentato virtualmente il 23 luglio a ACM CHIL 2020.

“È stupefacente come possiamo potere usare l'apprendimento automatico per fermare questo dall'avvenimento ai bambini,„ ha detto il co-author dello studio, Ansaf Salleb-Aouissi, un professore di seconda fascia nella disciplina dall'instituto dell'informatica ad assistenza tecnica di Colombia e da uno specialista in intelligenza artificiale e nelle sue applicazioni all'informatica medica. “Abbiamo esaminato i dati ed abbiamo sviluppato uno strumento che può vero essere utile, anche salvataggio.„

Se medici potessero predire esattamente il NEC prima che il bambino realmente si ammali, ci sono alcune misure che molto semplici potrebbero catturare; il trattamento ha potuto includere la fermata delle alimentazioni, dare i liquidi IV ed iniziare gli antibiotici per impedire i risultati peggiori quali l'inabilità o la morte a lungo termine.„

Thomas Hooven, autore principale di studio e assistente universitario, università di Pittsburg

Hooven, che ha cominciato la sua collaborazione con Salleb-Aouissi quando era un assistente universitario della pediatria nella divisione del Neonatologia-Perinatology al centro medico di Columbia University. Ora è un assistente universitario della pediatria nella divisione di medicina neonata all'università di scuola di medicina di Pittsburgh.

Corrente, non c'è strumento per predire quali bambini prematuri otterranno la malattia ed il NEC non è riconosciuto spesso finché non sia troppo recente efficacemente per intervenire. Il NEC è l'emergenza intestinale più comune fra gli infanti prematuri. È caratterizzato da necrosi, dalla batteriemia, dall'acidosi e dai tassi alti intestinali rapido progressivi di morbosità e di mortalità.

Le cause del NEC non sono ben recepito, ma parecchi studi hanno messo a fuoco sulle variazioni nel microbiome intestinale, i batteri nell'intestino di cui la composizione può essere risoluta da DNA che ordina dai piccoli campioni di feci.

I ricercatori hanno supposto che un approccio di apprendimento automatico ai dati clinici, demografici e del microbiome di modellistica dai pazienti prematuri potrebbe permettere la distinzione dei pazienti ad ad alto rischio per il NEC molto prima dell'inizio clinico di malattia, che avrebbe permesso l'intervento e la diminuzione iniziali delle complicazioni serie.

Hooven, Salleb-Aouissi e Lin hanno usato i dati da uno studio clinico di 2016 NIH dei bambini prematuri di cui i feci sono stati raccolti in parecchi ICUs neonatale americano fra 2009 e 2013. Il gruppo ha esaminato 2.895 campioni di feci da 161 infante prematuro, 45 di chi ha sviluppato il NEC.

Dato la complessità dei dati del microbiome, i ricercatori hanno eseguito parecchie operazione di lavorazione di dati per diminuire la sua dimensionalità e per indirizzare composizionalmente e la natura gerarchica di questi dati per sfruttarlo all'apprendimento automatico.

“il NEC rappresenta un'applicazione eccellente da una prospettiva di apprendimento automatico,„ ha detto Salleb-Aouissi. “Le lezioni che abbiamo imparato dalla nostra nuova tecnica potrebbero tradurre bene ad altri gruppi di dati genetici o proteomic ed ispirare i nuovi algoritmi di apprendimento automatico per i gruppi di dati di sanità.„

Il gruppo ha valutato parecchi metodi di apprendimento automatico per determinare la migliore strategia per la predizione del NEC dai dati del microbiome. Hanno trovato la prestazione ottimale ad un'da un'istanza multipla basata a attenzione gated che imparano (MIL) l'approccio.

Poiché i microbiomes umani sono conforme a cambiamento, i metodi di mil esaminano l'aspetto sequenziale del problema. Per esempio, nel primo i 20 giorni dopo che un infante nasce, il microbiome dell'infante passa attraverso un cambiamento drastico. Molti studi hanno indicato che gli infanti con un'più alta diversità di microbiome sono tipicamente più sani.

“Questo piombo noi pensare che i cambiamenti nella diversità del microbiome potessero contribuire a spiegare perché alcuni infanti sono più probabili essere malati dal NEC,„ dicessero Adam (YUN Chao) Lin, uno studente del ms dell'informatica e co-author dello studio di cui il lavoro su questo progetto lo ha spinto ora a perseguire un PhD.

Invece dei campioni del microbiome di visualizzazione da un infante come indipendente, il gruppo ha rappresentato ogni paziente come collezione di campioni ed ha applicato i meccanismi dell'attenzione ad imparare le relazioni complesse fra i campioni. L'algoritmo di apprendimento automatico “esamina„ ogni sacco e prova ad indovinare dai sui contenuti indipendentemente da fatto che il bambino è commovente.

Nelle prove ripetute, la capacità del modello di distinguere commovente dagli infanti non commoventi ha avuta un buon bilanciamento della sensibilità e della specificità. “L'area nell'ambito della curva ROC (AUC) è circa 0,9, che dimostra quanto buon i nostri modelli sono alla distinzione fra i pazienti commoventi ed inalterati,„ Salleb-Aouissi ha notato.

“Nostri sono il primo efficace sistema per un modello clinicamente applicabile di apprendimento automatico che combina il microbiome, demografico ed i dati clinici che possono essere raccolti e riflessi in tempo reale in un ICU neonatale. Siamo eccitati circa l'estensione della sua applicabilità fino una nuova area del video premonitore nella medicina.„

I ricercatori ora stanno sviluppando una piattaforma autonoma non invadente di prova per l'identificazione accurata degli infanti ad ad alto rischio per il NEC prima dell'inizio clinico, per impedire i risultati peggiori. Una volta che la piattaforma è pronta, condurranno un test clinico ripartito con scelta casuale per convalidare le previsioni della loro tecnica in un gruppo neonatale in tempo reale di ICU.

“Per la prima volta posso prevedere un futuro dove i genitori degli infanti prematuri ed i loro gruppi di medici, più non vivono nel timore costante del NEC,„ ho detto Hooven.

Source:
Journal reference:

Hooven, T., et al. (2020) Multiple instance learning for predicting necrotizing enterocolitis in premature infants using microbiome data. ACM-CHIL 2020. doi.org/10.1145/3368555.3384466.